Generative Adversarial Networks oder GANs wurden in den letzten Jahren zunehmend diskutiert. Wenn Sie 10 Jahre zurückgehen, werden Sie keine Spur eines solchen Themas finden. Also, was hat Generative Adversarial Networks in den Vordergrund gerückt und warum sollteLass uns darüber diskutieren.
Wann immer es eine Diskussion über generative kontradiktorische Netzwerke oder GANs gibt, immer im Zusammenhang mit KI, maschinellem Lernen oder tiefem Lernen. Obwohl dieses Thema ziemlich umfangreich ist, soll dieser Artikel Ihnen helfen, es in vereinfachten Begriffen zu verstehen.
Beginnen wir mit dem Begriff selbst - Generative Adversarial Networks.
VERBINDUNG: DIESES NEUE KI-SYSTEM KANN SEHEN, WAS SIE DENKEN
Lassen Sie die Software miteinander konkurrieren!
GANs sind im Grunde ein Ansatz zur generativen Modellierung unter Verwendung von Deep-Learning-Methoden. Das Wort „Generativ“ im Begriff weist auf die Eigenschaft der GANs hin, etwas Eigenes zu schaffen.
Wie kann ein Programm die Kreativität haben, etwas Eigenes zu machen? Wir geben ihm die Kraft des maschinellen Lernens, wo es aus früheren Daten lernen kann.
Wenn Sie also GANs mit einer Menge Bildern versorgen, kann ein eigenes Bild erstellt werden. Dies gilt auch für alle Datensätze.
Angesichts dieser Definition stoßen wir auf ein Problem, bei dem es keinen Filter gibt, mit dem die Ausgabe des Generators auf ihre Authentizität überprüft werden kann. Der Generator kann alles erstellen, was mit seinem Referenzdatensatz zusammenhängt, ohne zu wissen, wo dies für uns akzeptabel wäre oder nicht.
Um dieses Problem zu lösen, verfügen GANs über ein diskriminierendes Netzwerk, das die generierten Daten mit den wahren Daten überprüft. Dies ist der kontroverse Teil eines generativen kontradiktorischen Netzwerks. Wir stellen im Wesentlichen das generative Netzwerk und das diskriminierende Netzwerk gegeneinander an und erstellen Gegnermiteinander.
Ein diskriminierendes Netzwerk oder ein Diskriminator wird verwendet, um die generierten Werte des Generators in Schach zu halten. Die Aufgabe des Generators besteht darin, den Diskriminator zu täuschen, dass generierte Werte tatsächlich real und nicht computergeneriert sind.
Dies ist das Grundkonzept von GANs.
GANs werden in dem Artikel von Ian Goodfellow und anderen Forschern der Universität von Montreal mit dem passenden Titel ausführlicher erläutert. Generative Adversarial Networks .
In dem Papier haben sie klar erwähnt, dass der gesamte Zweck des generativen Netzwerks darin besteht, das diskriminierende Netzwerk zu einem Fehler zu bewegen. Und das diskriminative Netzwerk macht nur dann einen Fehler, wenn es nicht zwischen maschinengenerierten Daten und Training unterscheiden kannDaten.
Der beste Weg, ein GAN zu trainieren, ist die Verwendung von MNIST Datenbank modifizierte Datenbank des Nationalen Instituts für Standards und Technologie.
Die Datenbank besteht aus einem Trainingssatz von 60.000 Beispielen und einem Testsatz von 10.000 Beispielen. MNIST Training verwendet handschriftliche numerische Werte.
Sie sind ein guter Anfang für alle, die nach Ressourcen zum Trainieren von Netzwerken suchen. Es handelt sich um einen Datensatz, der von Ian und seinem Team zum Trainieren des Modells verwendet wurde.
Aus diesen Daten geht hervor, dass die beste Analogie, die wir für GAN verwenden können, darin besteht, dass es sich um ein Zwei-Spieler-Spiel handelt, bei dem jeder Spieler sein Bestes versucht, sich gegenseitig zu schlagen.
Wo befinden wir uns jetzt in der GAN-Entwicklung?
Vielleicht erinnern Sie sich noch an die eingegangene Nachrichtenwelle. Ende Dezember 2018 über realistisch aussehende Bilder, die von einer KI erzeugt wurden. Nun, das war GAN!
Wenn Sie diese Bilder überprüfen, ist es leicht zu erkennen, warum dies eine so große Geschichte war. Die Bilder waren nicht von den realen Bildern eines menschlichen Gesichts zu unterscheiden.
Die Leute hinter dem Projekt waren NVidia, der beliebte Hardware- und Softwareentwickler für Computergrafik. Die Forscher hinter dem Projekt haben ein Papier über seine Entwicklung und ihre Ergebnisse mit dem Titel vorbereitet. Eine stilbasierte Generatorarchitektur für generative gegnerische Netzwerke .
Die Forscher von NVidia haben 8 Wochen lang die Netzwerke trainiert und dabei acht ihrer Tesla-Grafikkarten verwendet.
Dies wirft sicherlich einige Fragen auf, wie wir Bilddaten nicht mehr vertrauen können. Wenn wir in der Lage sind, menschliche Gesichter aus Referenzbildern zu erstellen, wird es nicht lange dauern, bis wir perfekte Gesichter erstellen können, wodurch Modelle arbeitslos werden!
Viele äußern Bedenken hinsichtlich der Verwendung von Bilddaten im Justizsystem, wenn die Software Bilder so effektiv verändern kann. Dies ist sicherlich ein Grund zum Nachdenken!
Zurück zum Thema, wie weit die GAN-Entwicklung fortgeschritten ist, nichts zeigt ein klareres Bild der Technologie als das Experiment von NVidia. Wir können realistisch aussehende Gesichter erstellen, die nicht nur glaubwürdig, sondern vom Computer hochgradig anpassbar sind.
Es wird noch geforscht, um GANs leistungsfähiger zu machen, um realistische Daten zu erstellen, und mit weniger stromhungrigen Anforderungen.
Anwendungen von GAN
GANs können in einer Vielzahl von Anwendungen verwendet werden, hauptsächlich im Zusammenhang mit Bildern, aber das wird sich sicherlich ändern. Derzeit werden GANs in : verwendet
Generieren neuer Inhalte Bilder : GANs können verwendet werden, um lebensechte Bilder aus einer Reihe von Quellbildern zu erstellen. Die Verwendung eines solchen Systems dient lediglich dem Verständnis der Funktionen der GANs.
Einige argumentieren, dass diese Technologie verwendet werden kann, um das Aussehen eines Babys anhand der Fotos seiner Eltern zu bestimmen.
Alterung oder Alterung : Mit einem robusten Satz von Beispielbildern können GANs menschliche Gesichter erfolgreich altern oder altern lassen. Die jüngste Beliebtheit einer App namens FaceApp zeigt, wie beliebt diese Technologie bei den Massen ist.
Wenn Sie sich über das wundern Technologie hinter FaceApp , seine GANs.
Färben von Schwarzweißfotos : Wenn ein GAN gut genug trainiert ist, kann es Fotos einfärben und es bemerkenswert gut machen. Diese Technologie kann in der Tat alte Fotos zum Leben erwecken und uns einen Einblick in diese Zeit in Farbe geben.
Auflösungsverbesserung : Wenn Sie versucht haben, die Auflösung eines niedrigen Ergebnisses in einem Bild zu verbessern, ist das Ergebnis immer ein verschwommenes Durcheinander mit ausgeblasenen Pixeln. GAN ersetzt jedoch jedes zusätzliche Bild und erstellt qualitativ hochwertige Verbesserungsbilder, selbst wenn die Auflösung niedrig ist.
Fazit
Die Welt hat viele Beispiele für GANs bei der Arbeit gesehen, und die laufenden Forschungen in dieser Richtung deuten auf viele weitere unerwartete Anwendungen von GANs in der Zukunft hin.
VERBINDUNG : AIs handeln weiterhin auf unvorhersehbare Weise, sollten wir in Panik geraten?
Die Technologie ist revolutionär und wir können davon ausgehen, dass GANs auf mehreren Arten auf unseren Geräten angezeigt werden. Bevor diese Technologie jedoch ausgereift ist, sind ernsthafte Diskussionen über den ethischen Einsatz derart leistungsfähiger Deep-Learning-Methoden erforderlich.